- •2.1. Опис моделі
- •4.1. Вступ
- •5.1. Вступ
- •1.1.Опис Моделі
- •1.2. Знаходження оцінок параметрів регресії методом найменших квадратів
- •1.3.Властивості залишків методу найменших квадратів
- •1.4.Розклад дисперсії залежної змінної. Коефіціент детермінації
- •1.5.Статистичні власт ок методу найменших
- •1.6.Статистичні висновки в моделі простої лінійної регресії
- •1.6.1. Перевірка гіпотез про коефіцієнт нахилу регресії
- •1.6.2. Інтервальне оцінювання
- •1.6.3. Перевірка значущості регресії
- •1.7. Прогнозування за допомогою простої лінійної регресії
- •1.8.Приклад
- •2.1. Опис моделі
- •2.2. Знаходження параметрів регресії методом найменших квадратів
- •2.3.Властивості залишків методу найменших квадратів
- •2.4.Розклад дисперсії залежної змінної. Коефіцієнт детермінації
- •2.5. Статистичні властивості оцінок методу найменших квадратів
- •2.6. Статистичні висновки в моделі множинної лінійної регресії
- •2.6.1. Перевірка гіпотез про коефіціенти регресії.
- •2.6.2. Надійні інтервали для коефіціентів регресії
- •2.6.3. Перевірка значущості регресії
- •2.7. Інтерпретація регресійних коефіцієнтів. Порівняння факторів за ступeнем їх впливу
- •2.8.Моделі, які зводяться до моделі лінійної регресії
- •2.9. Фіктивні змінні.
- •2.10.Перевірка гіпотез про лінійні обмеження на параметри
- •2.11 Перевірка гіпотез про стійкість моделі
- •2.11.1. Критерій дисперсійного аналізу
- •2.11.2. Критерій Чоу
- •3.1. Вступ
- •3.3.Наслiдки гетероскедастичності збурень на оцiнки методу найменших квадратiв
- •3.4. Зважений метод найменших квадратiв у випадку відомої коваріаційної матриці збурень
- •3.5. Виявлення гетероскедастичності
- •3.5.1. Загальні критерії виявлення гетероскедастичності
- •3.5.2. Регресійні критерії виявлення гетероскедастичності
- •4.2. Опис моделi
- •4.3.Наслiдки автокорельованостi збурень на оцiнки методу найменших квадратiв
- •4.4. Узагальнений метод найменших квадратiв у випадку відомої кореляційної матриці
- •4.5. Процес авторегресiї першого порядку
- •4.6. Узагальнений метод найменших квадратiв у випадку ar(1)-збурень
- •4.7. Виявлення автокореляції. Статистика Дурбіна-Уотсона
- •4.8. Оцінювання у випадку невідомої кореляційної матриці збурень
- •5.1.Вступ
- •5.2. Класифікація рівнянь і змінних
- •5.3. Структурний і зведений вигляд систем симультативних рівнянь
- •5.4. Проблема ідентифікації
- •5.4.1. Ідентифікація через зведений вигляд
- •5.4.2. Порядкова та рангова умова ідентифікованості
- •5.5. Методи оцінювання систем симультативних рівнянь
- •5.5.1. Непрямий метод найменших квадратів
- •5.5.2 Двоетапний метод найменших квадратів
4.5. Процес авторегресiї першого порядку
Нехай задана стаціонарна послiдовнiсть випадкових величин (υi, i=0,±1, ±2...):
υi = ρυi-1+ εi, (4.5)
де ρ–чисельний параметр, а εi задовольняють тим самим припущенням, що і збурення в класичній лінійній регресії, тобто
Eεi = 0, (4.6)
Dεi = σ 2 = const, (4.7)
cov(εi, εj) = Eεiεj = 0, колиi j ≠. (4.8)
cov(εi,υj) = 0,ji≤. (4.9)
Стаціонарність послідовності (4.5) означає, що
Eυi = 0, (4.10)
Dυi = const, (4.11)
cov(υi, υi-k) = cov(υi+m, υi+m-k) (4.12)
для будь-яких m та k. Іншими словами коваріація між υi та υj не залежить від i та j, а залежить лише від їх різниці. Послідовність (4.5) називається процесом авторегресiї першого порядку, позначення–AR(1). Величина cov(υi, υi-k) називається коваріацією k-го порядку процесу. Обчислимо дисперсію та коваріації процесу AR(1). Для знаходження дисперсії скористаємось формулою (4.5):
DEEυυρυεiiii==+−212()=
2
=++=+−−ρυρυεερυσ2121222EEEDiiiii, (4.13)
внаслідок (4.9) і (4.11). З формули (4.13) маємо Dυσρi=−221 (4.14)
43
З виразу (4.14) бачимо, що стаціонарний процес з властивостями (4.6)-(4.9) існує, коли ρ<1. Для знаходження коваріації першого порядку домножимо рівність (4.5) почленно на υi-1 і обчислимо математичне сподівання обох частин:
cov(EEυυυυρυευiiiiiii,)()−−− − ==+=111 1
=+==−−−ρυυερυρσρEEDiiii121221, (4.15)
внаслідок (4.9), (4.11) та (4.14). Виразимо коваріацію k-го порядку через коваріацію k–1-го порядку. Для цього домножимо рівність (4.5) почленно на υi-k і обчислимо математичне сподівання обох частин
cov(EEυυυυρυευiikiikiiik,)()−−− − ==+=1
=+==−−−−−−−ρυυυερυυρυυEEEcov(iikiiiikiik111()(),1 ),
= =
(4.16)
внаслідок (4.9) та (4.12). Рекурентною підстановкою (4.16), враховуючи (4.15), одержуємо
cov(cov(cov(υυρυυρυυiikiikiik,),),)()()−−−−−==122L ====−−−Lρυυρυρσρkiikik11221cov(D,) . (4.17)
Формули (4.14) і (4.17) показують, що дисперсія та коваріації процесу авторегресії першого порядку визначаються лише двома параметрами – ρ та σ2.
4.6. Узагальнений метод найменших квадратiв у випадку ar(1)-збурень
Нехай в моделі (4.1) збурення підпорядковані процесу авторегресіїї першого порядку. Це означає, що збурення υi , i n =1, задовольняють співвідношенням (4.5)-(4.12). З (4.14) і (4.17) випливає, що коваріаційна матриця збурень приймає наступний вигляд
44
σσρρρρρρρρρρρρρ22212212311111Σ=1-2⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⎛⎝⎜⎜⎜⎜⎜⎜⎞⎠⎟⎟⎟⎟⎟⎟−−−−−−nnnnnn
3 4.18)
Результати множення рiвності (4.1) на матрицюΣ−12у цьому випадку можна записати у явному вигляді. Елементи вектора y*дорівнюють y1211*=−ρ y , (4.19)
yyyiiii*,=−≤≤−ρ12 n. (4.20)
Елементи j-го (0 1 ≤≤−jk) стовпчика матриці X* знаходяться аналогічно: xj1211*=−ρ x j , (4.21)
xxxiijijij*,,=−≤≤−ρ12 n. (4.22)
Якщо у вихідній моделі є постійний доданок, то перетворена модель не матиме константи. Замість неї з’явиться змінна , значення якої дорівнюють x0* x1021*=−ρ, (4.23)
xi012*,=−≤≤ρ i n . (4.24)
Зауважимо, що оцінка -коефіціента при змінній є оцінкою постійного доданку у вихідній моделі. β0x0*
4.7. Виявлення автокореляції. Статистика Дурбіна-Уотсона
Найчастіше для виявлення автокорельованості збурень користуються критерієм Дурбіна–Уотсона. При застосуванні цого критерія нульовою гіпотезою є некорельованість збурень, а альтернативою є те, що збурення підпорядковані процесу авторегресії першого порядку. Позначимо через залишки методу найменших квадратів у моделі (4.1) (див. с. 19). Значення статистики Дурбіна–Уотсона знаходиться за наступною формулою: uii,1≤≤n
45
d
uuuiiiniin=−−==ΣΣ()12221. (4.25)
Можливі значення d належать інтервалу (0; 4). Розподіл статистики Дурбіна–Уотсона приблизно симетричний відносно двійки. Значення d, близькі до 2, вказують на відсутність автокореляції. Значення, близькі до 0, вказують на наявність автокореляції з додатнім ρ, значення, близькі до 4, вказують на наявність автокореляції з від’ємним ρ . Параметрами розподілу статистики Дурбіна–Уотсона є кількість спостережень та регресорів. Точний розподіл статистики залежить від матриці незалежних змінних Х. В таблицях приводяться такі пари критичних значень, що для будь-якого вигляду матриці Х точне критичне значення лежить між табличними. Алгоритм застосування критерія Дурбіна–Уотсона полягає у наступному.
1. Оцінюємо модель (4.1) за допомогою звичайного методу найменших квадратів.
2. За формулою (4.25) обчислюємо значення статистики Дурбіна–Уотсона.
3. Вибираємо рівень значущості α і за таблицею критичних значень статистики Дурбіна–Уотсона знаходимо верхнє і нижнє критичні значення du та dl, а також обчислюємо 4 – du та 4 – dl. Зауважимо, що 0 < dl < du < 2 < 4 – du < 4 – dl < 4.
4. Робимо висновок за таким правилом:
1) Якщо d < dl, то має місце автокореляція з додатнім ρ.
2) Якщо dl < d < du, то ми не можемо зробити ніякого висновку, і цей інтервал називається областю невизначеності.
3) Якщо du < d< 4 – du, то автокореляція відсутня.
4) Якщо 4 – du < d < 4–dl , то ми не можемо зробити ніякого висновку. Цей інтервал також є областю невизначеності.
5) Якщо 4 – dl < d < 4, то має місце автокореляція з від’ємним ρ.
Щодо областей невизначеності можна дати таку практичну рекомендацію: якщо вибіркове значення d потрапляє до інтервалу невизначеності, то вважають, що має місце автокореляція.